类目筛选（计算机学者）
清除筛选
-
模型类型
-
机器学习/统计学习
-
偏最小二乘法
-
支持向量机
-
随机森林
-
K-近邻
-
梯度提升决策树
-
主成分分析/判别分析
-
逻辑回归/贝叶斯
-
智能手机/其他
-
-
深度学习
-
卷积神经网络
-
循环神经网络
-
目标检测网络
-
图像分割网络
-
生成对抗网络
-
图神经网络
-
序列到序列/编码-解码
-
其他深度学习结构
-
-
大模型与 LLM
-
大语言模型
-
视觉基础模型
-
多模态基础模型
-
知识图谱与 LLM 集成
-
垂直领域微调/指令调优
-
检索增强生成
-
-
模型设计/优化策略
-
迁移学习/领域自适应
-
小样本学习
-
模型可解释性
-
模型轻量化/边缘计算
-
特征工程与选择策略
-
超参优化/自动机器学习
-
强化学习
-
-
-
模型任务
-
分类/鉴别/等级评定
-
定量预测/回归分析
-
缺陷/异物检测与定位
-
过程控制与实时优化
-
知识抽取与语义理解
-
设计/生成与推荐
-
模拟与数字孪生
-
-
模型数据
-
来源
-
可见光/RGB/视频数据
-
高光谱/多光谱光谱
-
红外/拉曼光谱数据
-
时序传感器/物联网数据
-
组学数据
-
质构/流变/感官数据
-
文本/知识库/法规数据
-
多模态/融合数据
-
-
量级
-
小规模数据集
-
中等规模数据集
-
大规模数据集
-
超大规模/工业级数据集
-
公开数据集
-
合成/仿真数据为主
-
-
深度筛选（食品学者）
清除筛选
-
研究对象/基质维度
-
谷物/块根/豆与坚果类
-
小麦
-
玉米
-
大米
-
杂粮
-
马铃薯
-
其他根茎类
-
其他谷物与块根
-
豆类与坚果（及籽类）
-
-
肉类/蛋类与水产品
-
畜肉
-
禽肉
-
鱼肉
-
甲壳类
-
软体与贝类
-
内脏及副产物
-
其他肉与水产品
-
蛋类及其制品
-
-
乳及乳制品
-
液态乳
-
发酵乳/酸奶
-
奶酪
-
乳粉
-
乳清及乳清制品
-
其他乳制品
-
-
水果/蔬菜与菌菇类/植物类
-
新鲜水果
-
新鲜蔬菜
-
果蔬汁/浓缩汁
-
果蔬干/果脯/蔬菜干
-
其他果蔬制品/植物类
-
食用菌菇
-
食用花卉
-
-
油脂及油脂制品
-
植物油
-
动物油脂
-
起酥油/人造脂肪
-
油炸食品
-
其他油脂制品
-
-
饮料
-
果蔬饮料
-
茶/茶饮料
-
咖啡饮料
-
乳饮料
-
功能/运动饮料
-
碳酸饮料
-
酒精饮料
-
其他饮料
-
-
糖、焙烤与糖果制品
-
面包
-
蛋糕/糕点
-
饼干/薄脆制品
-
糖果
-
巧克力及含可可制品
-
其他焙烤与糖果制品
-
蜂蜜等天然糖
-
-
发酵食品及酱腌制品
-
大豆发酵制品
-
蔬菜发酵制品
-
发酵豆制品
-
谷物发酵食品
-
肉类发酵制品
-
水产发酵制品
-
其他酱腌/发酵食品
-
-
复合/即食/餐饮食品
-
方便面及速食米面
-
预制菜/即食菜肴
-
冷冻方便食品
-
罐头菜肴
-
餐饮菜品与团餐
-
其他复合食品
-
-
新资源食材
-
昆虫蛋白
-
微藻及藻类产品
-
单细胞蛋白
-
细胞培养肉
-
其他新资源食材
-
-
食品添加剂与配料
-
碳水化合物配料
-
脂肪/油脂配料
-
蛋白质配料
-
乳化剂/稳定剂/增稠剂
-
甜味剂
-
香精香料
-
酸度调节剂/防腐剂/抗氧化剂
-
营养强化剂
-
其他添加剂与配料
-
-
新材料/包装与接触材料
-
塑料材料
-
纸及纸板
-
金属材料
-
玻璃材料
-
生物基/可降解材料
-
多层复合材料
-
探针与分析传感材料
-
其他材料
-
-
食品加工设备与机械系统
-
热处理设备
-
干燥设备
-
挤压/混合/成型设备
-
分选/分级/检验设备
-
灌装/封口/包装设备与生产线
-
清洗/CIP/卫生相关设备
-
输送/搬运/机器人系统
-
其他加工设备与系统
-
-
-
研究主题/科学问题维度
-
加工与新加工技术
-
传统热加工
-
非热加工技术
-
物理辅助加工
-
3D 打印与结构构筑
-
挤压膨化与共挤技术
-
其他加工技术
-
-
保藏与贮藏
-
冷藏与冷冻保藏
-
干燥保藏
-
改良气调/控气贮藏
-
保鲜涂膜与保鲜剂
-
货架期预测与品质劣变动力学
-
其他保藏技术
-
-
品质、结构与理化性质
-
质构与流变性质
-
颜色与外观品质
-
微观结构与成像
-
氧化、褐变等化学变化
-
其他品质相关性质
-
特征风味
-
-
营养与生物功能
-
基本营养价值评价
-
抗氧化/抗炎等功能
-
血糖、血脂与代谢相关功能
-
肠道健康与微生物相关功能
-
其他生物活性与健康效应
-
-
食品安全与风险评估
-
微生物安全
-
化学污染物
-
加工污染物
-
过敏原与毒性问题
-
暴露评估与风险表征
-
其他安全问题
-
-
包装与智能监测
-
包装设计与机械性能
-
活性包装
-
智能/指示型包装
-
包装系统中的监测与标签应用
-
其他包装相关研究
-
-
可持续性与资源高值化
-
副产物与废弃物高值利用
-
能耗/水耗与环境影响分析
-
生命周期评价与碳足迹
-
循环经济与绿色供应链
-
其他可持续性主题
-
-
感官科学与消费者研究
-
感官评价与方法学
-
消费者偏好与接受度
-
市场细分与消费行为
-
标签、营养声称与信息呈现
-
其他感官与消费者研究
-
-
过程控制与数字化
-
过程监测与在线检测
-
过程优化与控制策略
-
生产管理与数字化工厂
-
其他过程控制与数字化研究
-
-
-
研究方法/证据层级维度
-
理化与结构表征
-
常规理化指标测定
-
质构与流变测试
-
显微与成像技术
-
光谱/色谱/质谱等分析方法
-
其他理化与结构表征
-
-
微生物与发酵实验
-
微生物计数与生长曲线
-
菌种筛选与特性评价
-
发酵工艺与动力学
-
生物膜与耐受性研究
-
其他微生物/发酵方法
-
-
组学与高通量技术
-
基因组学
-
转录组学
-
蛋白质组学
-
代谢组学
-
微生物组/宏基因组学
-
其他组学方法
-
风味组学
-
-
体外模型
-
体外消化模型
-
体外发酵模型
-
细胞模型
-
模拟胃肠/肠道系统
-
其他体外模型
-
-
动物实验/人体试验
-
小动物实验
-
大动物实验
-
人体干预试验
-
观察性人群研究
-
其他体内/人群研究
-
-
统计建模与仿真
-
传统统计分析与回归
-
响应面分析与多因素优化
-
动力学建模
-
数值仿真
-
其他统计建模方法
-
-
问卷/市场与消费者研究
-
问卷设计与实施
-
访谈与质性研究
-
行为实验与选择实验
-
其他消费者研究方法
-
-
标准/法规/数据库分析
-
标准与法规对比分析
-
政策评估与影响分析
-
食品成分/消费数据库分析
-
其他标准法规相关方法
-
-
其他方法
-
专利分析
-
德尔菲法与专家咨询
-
情景分析与情景模拟
-
其他难以归类的方法
-
-
-
关键营养素/成分维度
-
常量营养素（宏量）
-
蛋白质与氨基酸
-
脂质与脂肪酸
-
碳水化合物与糖类
-
-
膳食纤维与抗性淀粉
-
可溶性膳食纤维
-
不溶性膳食纤维
-
抗性淀粉
-
其他膳食纤维类成分
-
-
维生素
-
脂溶性维生素 A/D/E/K
-
维生素 C
-
维生素 B 族
-
其他维生素或前体
-
-
矿物质与微量元素
-
钙
-
铁
-
锌
-
碘/硒等微量元素
-
钠/钾/镁等常量矿物质
-
其他矿物质
-
-
植物化学/生物活性成分
-
多酚与黄酮
-
花青素与类胡萝卜素
-
酚酸类
-
含硫植物化合物
-
其他植物化学物质
-
-
益生菌/益生元/合生元
-
益生菌菌株
-
益生元
-
合生元产品
-
可发酵底物与其他肠道相关成分
-
-
功能性脂类与糖替代品
-
植物甾醇/甾烷醇
-
共轭亚油酸
-
中链脂肪酸
-
糖醇类
-
非营养性甜味剂
-
盐替代品与其他代谢敏感因子
-
-
其他特殊成分
-
咖啡因
-
茶氨酸
-
胆固醇
-
嘌呤
-
其他特殊成分
-
-
标签记录（计算机学者）
清除全部筛选
标签记录（食品学者）
共 130 条结果
-
整合非靶向质谱和机器学习对有机与常规种植农产品进行分类：以番茄为例
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Xiao Yun, Xiaoxiao Han, Xin Zhang, Wenxiao Pan, Qiao Xue, Xian Liu, Jianjie Fu, Richard Röttger, & Aiqian Zhang
计算机标签
机器学习/统计学习 模型可解释性 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据食品标签
新鲜蔬菜 食品安全与风险评估 光谱/色谱/质谱等分析方法有机农产品需求上升使其真实性验证成为关键问题。传统基于全扫描高分辨质谱数据的分类方法通常强调特征选择，可能造成信息损失并限制模型稳健性。本研究开发了一个基于人工智能的分类框架，利用质谱数据区分有机和常规种植农产品，并以番茄为代表案例。该方法结合 1000 个质荷比（m/z）分箱和自适应提升模型，取得较高预测性能，受试者工作特征曲线下面积超过 0.990，准确率达到 0.997。除模型性能外，研究还通过基于 SHAP 的重要性分析增强可解释性，并对关键 m/z 片段进行结构注释。结果显示，赤霉素 A4 和 (Z)-白藜芦醇可作为有机种植番茄的潜在化学标志物。该框架能够识别与不同栽培方式相关且具有化学意义的离子，为有机农产品真实性鉴别提供可扩展、可解释的解决方案。
-
基于近红外光谱与双分支网络的林下三七掺假定量鉴别模型开发
查看原文
2025
Food Research International
中科院一区JCR一区
Chao Ji, Haoran Ba, Jinran Dai, Yuxin Xie, Tongyu Zang, Yi Sun, Rui Shi, Liangjuan Zhao, Min Yang, Xiahong He, Xiangyun Ma & Wenjie Zheng
计算机标签
深度学习 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
其他果蔬制品/植物类 食品安全与风险评估 光谱/色谱/质谱等分析方法生态栽培的草药因其更优的品质和更高的经济价值而日益受到欢迎，并在功能性食品中得到越来越广泛的应用。然而，受利益驱动，常规种植的草药常被错误标示为生态栽培产品。物种一致性给真实性鉴定带来了新的挑战，尤其是在掺假检测方面。本研究利用近红外光谱技术，分析了两种栽培模式下三七样品的模拟掺假情况。开发了一种双分支网络架构，用于从光谱序列和时频图像中提取多尺度特征。结果显示，训练集和测试集的R2值分别为0.991和0.987，RMSE分别为0.225和0.347。此外，外部验证显示R2值为0.9753，RMSE为0.638，表明该模型在定量分析方面具有优异的准确性和鲁棒性。本研究为三七的质量控制和标准化提供了关键的科学依据，并为不同栽培模式下产品的定量分析提供了新方法。
-
光谱学和机器学习在谷物中霉菌毒素的无损实时检测方面的最新进展
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Ghulam Mustafa, Hongmei Wang, Yuhong Liu, Liu Wang, Maratab Ali, Zhihao Yao, Haoran Quan & Kaiyu He
计算机标签
机器学习/统计学习 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
小麦 玉米 大米 微生物安全 光谱/色谱/质谱等分析方法背景：真菌毒素对食物链中谷物的关键作用造成了破坏，对动物和人类产生有害影响。传统的检测方法需要繁琐的预处理，耗时且具有破坏性。为解决这一问题，人工智能驱动的（机器学习——ML和深度学习——DL）光谱技术已展现出作为突破性工具的潜力，通过优化可提供理想的解决方案、准确性和精密度。然而，人们对其实际应用的理解仍有限，需要进一步探索。
范围与方法：本研究综合了机器学习和光谱技术（多光谱和高光谱成像与非成像、拉曼光谱、可见-红外光谱、荧光光谱和核磁共振）在谷物（小麦、玉米和大米）真菌毒素检测中的应用。此外，本综述还涵盖了光谱技术的工作原理、光谱光的相互作用、数据预处理、特征优化、基于机器学习的预测建模以及用于决策的结果验证及其应用。
主要发现与结论：开发一个可行的、由机器学习驱动的基于光谱的真菌毒素检测系统需要全面的优化过程。这包括对机器学习模型本身进行微调，以及仔细选择和平衡多个组成部分：数据集大小、预处理方法、特征选择和提取策略、模型架构以及通过验证进行的超参数调整。此外，尽管机器学习算法发展迅速，但设计专门用于光谱真菌毒素检测的专用且稳健的模型仍然是一个活跃且不断发展的研究领域。 -
基于高光谱成像和深度学习结合距离相关波长选择的鸡蛋新鲜度无损评估
查看原文
2025
Current Research in Food Science
中科院一区JCR一区
Pauline Ong, Shih-Yen Chiu, I-Lin Tsai, Yen-Chou Kuan, Yu-Jen Wang & Yung-Kun Chuang
计算机标签
偏最小二乘法 支持向量机 梯度提升决策树 卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
蛋类及其制品 品质、结构与理化性质 光谱/色谱/质谱等分析方法 其他理化与结构表征基于哈夫单位的传统鸡蛋新鲜度评估方法具有破坏性且耗时。因此，本研究探讨了利用高光谱成像（450–1100纳米）进行鸡蛋新鲜度无损评估。光谱数据采用标准正态变量进行预处理，以减少光谱变异性，随后进行波长选择——这是提高模型预测能力的关键步骤。特别是，距离相关性作为一种统计上稳健但在高光谱波长选择中很少被探索的方法，被用于识别信息丰富的波长。选定的波长被纳入各种回归模型，即卷积神经网络、梯度提升树、多元线性回归、偏最小二乘回归和支持向量回归模型。我们发现，结合距离相关法的卷积神经网络模型表现最佳（相关系数为0.9056，均方根误差为4.4152），优于使用常用波长选择方法的其他模型。基于获得的最佳模型生成了鸡蛋新鲜度的伪彩色图。
-
基于光谱学和机器学习技术识别和检测冻融肌性肉制品的研究进展
查看原文
2025
Trends in Food Science and Technology
中科院一区JCR一区
Zecheng Qiu, Xintong Chen, Delang Xie, Yue Ren, Yilin Wang, Zhongshuai Yang, Mei Guo, Yating Song, Jiajun Guo, Yuqin Feng, Ningbo Kang & Guishan Liu
计算机标签
机器学习/统计学习 深度学习 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据食品标签
肉类/蛋类与水产品 品质、结构与理化性质 食品安全与风险评估 光谱/色谱/质谱等分析方法背景：将冻融肌性肉制品标记为新鲜食品销售是最常见的欺诈行为之一，已引起消费者、政府监管机构和零售商的广泛关注。光谱学与机器学习的结合彻底改变了冻融肌性肉制品的检测方式，使得开发更复杂和自动化的解决方案成为可能。
研究范围与方法：本文全面综述了关于光谱技术在冻融肌性肉制品中潜在特性的各种研究的最新发现。此外，本文还讨论了机器学习在冻融肌性肉制品光谱检测与识别过程中的贡献，例如特征工程、模型复杂度和模型评估。本综述的最终目标是强调机器学习及其与光谱方法相结合在冻融肌性肉制品识别与检测中的贡献。
主要发现与结论：光谱技术与机器学习的结合已成功实现了对冻融肌性肉制品质量的预测以及对新鲜与冻融肌性肉制品的区分。通过减少对人工特征工程的依赖，机器学习能够系统分析光谱特征并优化模型，从而准确识别冻融肌性肉制品。同时，深度学习和数据增强技术能有效应对与数据变异性和质量相关的挑战。此外，多模态机器学习、终身学习、集成学习和强化学习等先进技术有望在未来发挥关键作用。
